Synthetic Data Augmentation Using GAN For Improved Automated Visual Inspection

要約

品質管理は、製品が要件と仕様に準拠していることを確認するために製造会社が実行する重要な活動です。
人工知能モデルの導入により、外観品質検査の自動化が可能になり、検査プロセスが高速化され、すべての製品が同じ基準で評価されるようになります。
この研究では、教師ありと教師なしの欠陥検出手法を比較し、自動目視検査のコンテキストでデータの不均衡を軽減するためのデータ拡張手法を探ります。
さらに、Generative Adversarial Networks をデータ拡張に使用して、分類器の識別性能を強化します。
私たちの結果は、最先端の教師なし欠陥検出は教師ありモデルのパフォーマンスに匹敵するものではありませんが、ラベリングの作業負荷を 50% 以上削減するために使用できることを示しています。
さらに、不良品を示す画像の 25\% のみを残してデータセットの不均衡を増やした場合でも、AUC ROC スコアが 0.9898 以上の GAN ベースのデータ生成を考慮すると、最高の分類パフォーマンスが達成されました。
Philips Consumer Lifestyle BV から提供された実際のデータを使用して調査を行いました。

要約(オリジナル)

Quality control is a crucial activity performed by manufacturing companies to ensure their products conform to the requirements and specifications. The introduction of artificial intelligence models enables to automate the visual quality inspection, speeding up the inspection process and ensuring all products are evaluated under the same criteria. In this research, we compare supervised and unsupervised defect detection techniques and explore data augmentation techniques to mitigate the data imbalance in the context of automated visual inspection. Furthermore, we use Generative Adversarial Networks for data augmentation to enhance the classifiers’ discriminative performance. Our results show that state-of-the-art unsupervised defect detection does not match the performance of supervised models but can be used to reduce the labeling workload by more than 50%. Furthermore, the best classification performance was achieved considering GAN-based data generation with AUC ROC scores equal to or higher than 0,9898, even when increasing the dataset imbalance by leaving only 25\% of the images denoting defective products. We performed the research with real-world data provided by Philips Consumer Lifestyle BV.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google